得益于相关软硬件的发展和应用需求的增长,目标检测算法作为计算机视觉领域的研究热点之一,不断取得突破,在检测精度和运行效率上都获得了令人满意的效果。但是,在实践中,位置标签的缺乏仍然是目标检测算法推广应用亟待解决的问题。作为解决位置标签缺乏问题的途径之一,弱监督目标定位算法可以仅依靠分类标签实现定位任务。然而,当前主流的基于显著图（Saliency Map）的弱监督目标定位算法却存在着如非目标物体特征干扰、分类特征与定位特征不一致以及显著图分割阈值难以确定等的缺陷,在定位精度进一步提升上遇到了瓶颈。针对这些问题,本文尝试通过边框回归模型中和弱监督目标定位算法生成的伪标签的坐标偏移,以提高目标定位的精度。基于这个想法,本文提出了一种融合多尺度特征的轻量化边框回归模型MFA-LNet（Multi-scale Feature Aggregation Localization Network）,并使用基于显著图的弱监督目标定位算法生成的伪标签对其进行训练,实现了定位精度的大幅提升。基于上述使用边框回归提升弱监督目标定位精度的方式,本文进一步探索了综合使用多种伪标签的方法。通过分析伪标签坐标到模型预测坐标的距离与模型预测坐标的精度之间的相关性,本文提出了一种预测模型对样例的定位精度的方法,并基于该方法构建了使用多种伪标签训练的多分支定位网络MBLNet（Multiple Branch Localization Network）,以预测的定位精度为标准,综合该模型的多个分支输出的定位结果,实现了定位精度的进一步提升。根据在CUB200（Caltech-UCSD Birds 200）上的测试显示,MFA-LNet在定位准确率指标(8上的结果为81.92%,与用于训练的伪标签相比,提升了8.09个百分点,超越了目前绝大多数的弱监督目标定位算法。而MBLNet在此基础上再次提高了1.62个百分点,达到了83.54%,并且提供了对样例定位精度的预测功能,在应用实践中具有重要作用。